WRF-CMAQ 모델링 시스템을 활용한 PM2.5 농도변동 원인 분석: 2016년과 2017년의 가을철을 중심으로 Analysis of the Changesin PM2.5 Concentrations using WRF-CMAQ Modeling System: Focusing on the Fall in 2016 and 2017원문보기
본 연구에서는 지상 기상 및 $PM_{2.5}$ 농도, GOCI 위성의 AOD 등 다양한 관측 자료와 WRF-CMAQ 모델링을 통해 2016년과 2017년의 우리나라 가을철 $PM_{2.5}$ 농도변화 원인을 분석하였다. 지상에서 관측된 2017년 전국 평균 $PM_{2.5}$ 농도는 2016년에 비해 약 12.3% ($3.0{\mu}g/m^3$) 감소한 것으로 나타났다. 두 해간 $PM_{2.5}$ 농도 차이는 10월과 11월의 두 사례(사례1: 10월 11일~10월 20일, 사례2: 11월 15일~19일) 기간에 주로 발생하였으며, 2017년의 기상조건이 2016년에 비하여 국외로부터 대기오염물질의 장거리 수송이 어렵고, 국내의 대기환기 효과를 증가시키는 방향으로 변화한 것이 주요한 원인으로 분석되었다. WRF-CMAQ 모델링 시스템을 이용하여 기상조건 변화가 $PM_{2.5}$ 농도에 미치는 정량적인 영향을 평가한 결과, $PM_{2.5}$ 모의농도는 2016년 대비 2017년의 사례1 기간에는 64.0% ($23.1{\mu}g/m^3$) 감소, 사례2 기간에는 35.7% ($12.2{\mu}g/m^3$) 감소한 것으로 나타나, 관측 농도 기반 감소율인 53.6% (사례1)와 47.8% (사례2)에 상응하는 감소율을 보였다. 따라서 기상조건 변화가 우리나라 가을철 $PM_{2.5}$ 농도 변화에 큰 영향을 미치는 것으로 분석되었다. 기상조건 변화로 인한 우리나라 $PM_{2.5}$ 농도 감소에 미친 국내외 기여율은 사례1 기간에 국외로부터의 장거리 수송영향이 52.8% 그리고 대기환기 효과에 따른 국내영향이 47.2% 로 국내외 영향이 유사하게 나타나지만, 사례2 기간에는 국외영향이 66.4% 그리고 국내영향이 33.6%로서 국외영향의 감소효과가 더 크게 나타났다.
본 연구에서는 지상 기상 및 $PM_{2.5}$ 농도, GOCI 위성의 AOD 등 다양한 관측 자료와 WRF-CMAQ 모델링을 통해 2016년과 2017년의 우리나라 가을철 $PM_{2.5}$ 농도변화 원인을 분석하였다. 지상에서 관측된 2017년 전국 평균 $PM_{2.5}$ 농도는 2016년에 비해 약 12.3% ($3.0{\mu}g/m^3$) 감소한 것으로 나타났다. 두 해간 $PM_{2.5}$ 농도 차이는 10월과 11월의 두 사례(사례1: 10월 11일~10월 20일, 사례2: 11월 15일~19일) 기간에 주로 발생하였으며, 2017년의 기상조건이 2016년에 비하여 국외로부터 대기오염물질의 장거리 수송이 어렵고, 국내의 대기환기 효과를 증가시키는 방향으로 변화한 것이 주요한 원인으로 분석되었다. WRF-CMAQ 모델링 시스템을 이용하여 기상조건 변화가 $PM_{2.5}$ 농도에 미치는 정량적인 영향을 평가한 결과, $PM_{2.5}$ 모의농도는 2016년 대비 2017년의 사례1 기간에는 64.0% ($23.1{\mu}g/m^3$) 감소, 사례2 기간에는 35.7% ($12.2{\mu}g/m^3$) 감소한 것으로 나타나, 관측 농도 기반 감소율인 53.6% (사례1)와 47.8% (사례2)에 상응하는 감소율을 보였다. 따라서 기상조건 변화가 우리나라 가을철 $PM_{2.5}$ 농도 변화에 큰 영향을 미치는 것으로 분석되었다. 기상조건 변화로 인한 우리나라 $PM_{2.5}$ 농도 감소에 미친 국내외 기여율은 사례1 기간에 국외로부터의 장거리 수송영향이 52.8% 그리고 대기환기 효과에 따른 국내영향이 47.2% 로 국내외 영향이 유사하게 나타나지만, 사례2 기간에는 국외영향이 66.4% 그리고 국내영향이 33.6%로서 국외영향의 감소효과가 더 크게 나타났다.
It was analyzed to identify the cause of $PM_{2.5}$ concentration changes for the fall in 2016 and 2017 in South Korea using ground measurement data such as meterological variables and $PM_{2.5}$, AOD from GOCI satellite, and WRF-CMAQ modeling system. The result of ground measu...
It was analyzed to identify the cause of $PM_{2.5}$ concentration changes for the fall in 2016 and 2017 in South Korea using ground measurement data such as meterological variables and $PM_{2.5}$, AOD from GOCI satellite, and WRF-CMAQ modeling system. The result of ground measurement data showed that the $PM_{2.5}$ concentrations for the fall in 2017 decreased by 12.3% ($3.0{\mu}g/m^3$) compared to that of 2016. The difference of $PM_{2.5}$ concentrations between 2016 and 2017 mainly occurred for 11 Oct. - 20 Oct. (CASE1) and 15 Nov. - 19 Nov. (CASE2) when weather conditions were difficult to long-range transport from foreign regions and favored atmospheric ventilation in 2017 compared to 2016. Simulated $PM_{2.5}$ concentrations in 2017 decreased by 64.0% ($23.1{\mu}g/m^3$) and 35.7% ($12.2{\mu}g/m^3$) during CASE1 and CASE2, respectively. These results corresponded to the changes in observed $PM_{2.5}$ concentrations such as 53.6% for CASE1 and 47.8% for CASE2. It is implied that the changes in weather conditions affected significantly the $PM_{2.5}$ concentrations for the fall between 2016 and 2017. The contributions to decreases in $PM_{2.5}$ concentrations was assessed as 52.8% by long-range transport from foreign regions and 47.2% by atmospheric ventilation effects in domestic regions during CASE1, whereas their decreases during CASE2 were affected by 66.4% from foreign regions and 33.6% in domestic regions.
It was analyzed to identify the cause of $PM_{2.5}$ concentration changes for the fall in 2016 and 2017 in South Korea using ground measurement data such as meterological variables and $PM_{2.5}$, AOD from GOCI satellite, and WRF-CMAQ modeling system. The result of ground measurement data showed that the $PM_{2.5}$ concentrations for the fall in 2017 decreased by 12.3% ($3.0{\mu}g/m^3$) compared to that of 2016. The difference of $PM_{2.5}$ concentrations between 2016 and 2017 mainly occurred for 11 Oct. - 20 Oct. (CASE1) and 15 Nov. - 19 Nov. (CASE2) when weather conditions were difficult to long-range transport from foreign regions and favored atmospheric ventilation in 2017 compared to 2016. Simulated $PM_{2.5}$ concentrations in 2017 decreased by 64.0% ($23.1{\mu}g/m^3$) and 35.7% ($12.2{\mu}g/m^3$) during CASE1 and CASE2, respectively. These results corresponded to the changes in observed $PM_{2.5}$ concentrations such as 53.6% for CASE1 and 47.8% for CASE2. It is implied that the changes in weather conditions affected significantly the $PM_{2.5}$ concentrations for the fall between 2016 and 2017. The contributions to decreases in $PM_{2.5}$ concentrations was assessed as 52.8% by long-range transport from foreign regions and 47.2% by atmospheric ventilation effects in domestic regions during CASE1, whereas their decreases during CASE2 were affected by 66.4% from foreign regions and 33.6% in domestic regions.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 우리나라 전국을 대상으로 국가 대기질 측정 자료, 지상 기상 관측 자료, GOCI 위성 자료 등 다양한 관측 자료와 대기오염물질의 배출량과 미세먼지 농도 간 비선형성을 반영할 수 있는 대기질 모델링을 활용하여 PM2.5 농도 변화의 원인을 파악함과 동시에 국내외 기여 수준을 정량적으로 규명하고자 한다.
5 농도 감소에 더 크게 기여한 것으로 분석되었다. 본 연구는 다양한 지상관측 자료와 위성자료, 기상-대기질 모델을 종합적으로 활용하여, PM2.5 농도 변화에 대한 원인을 종합적으로 이해하고자 하였다. 다만, 기상-대기질을 활용한 모의 결과는 물리·화학 과정에서 사용되는 다양한 가정과 모델링에 입력되는 기상·배출량의 불확실성을지니고 있어 지속적인 개선과 보완이 필요할 것으로 판단된다.
제안 방법
2016년과 2017년 가을철동안 PM2.5 농도 차이가 크게 나타난 두 사례 기간의 농도 변동 원인을 국내와 국외 영향으로 구분하여 분석하기 위해 EMEP(2010)에서 제시한 BFM(Brute Force Method)를 이용하여 국내외 기여도 분석을 수행하였다. BFM은 배출량 삭감에 따른 대기오염물질의 민감도를 산정하는 방법으로, 본 연구에서는 기본 실험과 국내 배출량을 20% 삭감한 실험을 통해 PM2.
5 농도 차이가 크게 나타난 두 사례 기간의 농도 변동 원인을 국내와 국외 영향으로 구분하여 분석하기 위해 EMEP(2010)에서 제시한 BFM(Brute Force Method)를 이용하여 국내외 기여도 분석을 수행하였다. BFM은 배출량 삭감에 따른 대기오염물질의 민감도를 산정하는 방법으로, 본 연구에서는 기본 실험과 국내 배출량을 20% 삭감한 실험을 통해 PM2.5 농도에 미치는 민감도를 역산하여 국내외 영향을 정량적으로 산출하였다.
관측 자료 분석과 더불어 배출량과 PM2.5 농도와의 비선형적 특성을 고려한 가을철 PM2.5 농도 차이의 원인을 분석하기 위하여 모델링을 통한 분석을 수행하였다. 기상 모델링은 전 세계적으로 널리 사용되는 WRF(Weather Research and Forecast; Skamarocket al.
국내 기상특성을 분석하기 위하여 우리나라 기상청의 95개 정규 기상관측소 자료를 이용하여 기온과 풍속 변동을 분석하였으며, 동아시아 지역의 종관 기상특성을 파악하기 위해 NCEP(The National Center for Environmental Prediction)에서 제공하는 기상 재분석 자료인 0.25°×0.25° FNL(Final OperationalGlobal Analysis data) 자료를 이용하여 850 hPa 등압면의 기온, 기압, 바람장을 분석하였다.
기상조건의 변화가 우리나라 가을철 PM2.5 농도에 미치는 효과를 정량적으로 분석하기 위해 기상모델(WRF v3.8.1)과 대기질모델(CMAQ v5.0.2)을 이용하여 PM2.5 농도를 모의하였다. 2016년과 2017년 가을철 PM2.
5 농도 변화에 미치는 영향을 정량적으로 분석하기에는 한계가 존재한다. 따라서 2.2절에서는 기상조건 변화가 2016년과 2017년 가을철 PM2.5 농도변화에 미친 영향을 기상-대기질 모델링을 통해 정량적으로 평가하여 기술하였다.
2016년 자료는 QA/QC 과정을 거친 확정자료를 이용하였으나, 2017년의 경우 확정된 관측 자료가 제공되지 않고 있어 실시간으로 수집된자료를 사용하였다. 또한, 연직 적분된 에어로졸의 공간적 분포 특성을 파악하기 위하여 한국해양과학 기술원 해양위성센터의 GOCI(Geostationary Ocean Color Imager) 자료를 통해 에어로졸 광학깊이(AOD; Aerosol Optical Depth)를 산출하여 분석에 이용하였다.
모델을 통해 산출된 2016년과 2017년 가을철 PM2.5 모사 성능을 검증하기위해 도시대기 측정망 자료와 비교·분석을 수행하였다(Figure 4).
본 연구에서는 도시대기 측정망 자료, 지상 기상 자료, GOCI 위성자료 등 다양한 관측 자료와 WRFCMAQ 모델링을 통해 우리나라의 2016년과 2017년 가을철 PM2.5 농도 변화 원인을 분석하였다. 2017년 국내 지상에서 관측된 PM2.
대상 데이터
5 농도 자료를 이용하였다. 2016년 자료는 QA/QC 과정을 거친 확정자료를 이용하였으나, 2017년의 경우 확정된 관측 자료가 제공되지 않고 있어 실시간으로 수집된자료를 사용하였다. 또한, 연직 적분된 에어로졸의 공간적 분포 특성을 파악하기 위하여 한국해양과학 기술원 해양위성센터의 GOCI(Geostationary Ocean Color Imager) 자료를 통해 에어로졸 광학깊이(AOD; Aerosol Optical Depth)를 산출하여 분석에 이용하였다.
5 농도를 모의하였다. 2016년과 2017년 가을철 PM2.5 농도 모의에 사용된 배출량 입력 자료는 동일하나, 기상 입력 자료는 각 년도에 해당하는 기상장을 사용하였다. 따라서 모사된 2016년과 2017년의 PM2.
2016년과 2017년 가을철(9~11월)에 대해 국내에서 관측된 지상 PM2.5 농도의 수준을 평가하기 위하여 국립환경과학원의 NAMIS(National Ambient air quality Monitoring Information System)를 통해 수집된 전국 265개 도시대기 측정망의 PM2.5 농도 자료를 이용하였다. 2016년 자료는 QA/QC 과정을 거친 확정자료를 이용하였으나, 2017년의 경우 확정된 관측 자료가 제공되지 않고 있어 실시간으로 수집된자료를 사용하였다.
2016년과 2017년 가을철의 기상요인 차이를 분석하기 위해 전국 총 95개 정규 기상관측소 자료를 기반으로 분석을 수행하였다. 2016년과 2017년 가을철 전국 평균 풍속은 각각 약 1.
대상영역은 크게 동북아시아(Domain1)와 한반도(Domain2)로 구분되며, 38.0°N, 126.0°E를 중심으로 둥지격자체계를 사용한다.
두 해간 가을철 PM2.5 농도변화의 주요한 차이를 만들어 낸 기간은 10월(10월 11일~10월 20일)과 11월 (11월 15일~19일)의 두 사례 기간으로 분석되었다. 사례1 기간에는 관측된 PM2.
모델 수행에 필요한 전구 기상 입력 자료는 1°×1° FNL 자료를 사용하였으며, 대기오염물질의 배출량 자료는 인위적 및 자연적 배출량을 모두 고려하였다.
연구대상 기간은 2016년 대비 2017년에 계절평균 PM2.5 농도가 가장 큰 차이를 나타냈던 가을철(봄: -0.7 μg/m3, 여름: -2.0 μg/m3, 가을: -3.0 μg/m3, 겨울: 1.3 μg/m3)을 대상으로 하였다.
이론/모형
2016년과 2017년의 가을철 기상조건 변화가 우리나라 PM2.5 농도변화에 미치는 효과를 정량적으로도출하기 위하여 WRF-CMAQ 모델을 통해 분석을 수행하였다. 모사 결과는 기상조건 변화로 인해 2016년에 비하여 2017년 사례1 기간에 PM2.
우리나라 영역을 상세하게 모사하기위한 한반도 영역은 동북아시아 영역보다 수평 분해능이 9배 증가한 9km분해능을 가지며 67(동서방향)×82(남북방향)의 격자로 구성된다. WRF 기상모델에서 사용된 주요 물리옵션으로 미세물리과정은 WSM3(Hong et al. 2004), PBL은 YSU scheme(Hong et al. 2006)을 활용하였으며, CMAQ은 에어로졸 모듈로 AERO5와 광화학 반응으로 SAPRC99(Statewide Air Pollution Research Center, Version 99; Carter 1999)를 적용하였다. 자세한 설정은 Table 1에 정리하였다.
기상 모델링은 전 세계적으로 널리 사용되는 WRF(Weather Research and Forecast; Skamarocket al. 2008) v3.8.1 모델을 이용하였으며, 대기질 모델링은 미국 EPA(Environmental Protection Agency)에서 개발된 CMAQ(Community Multiscale Air Quality; Byun & Ching 1999) v5.0.2 모델을 사용하였다.
인위적 배출량은 SMOKE(Sparse Matric Operator Kernel Emissions; Benjey et al. 2001)을 이용하여 시·공간적으로 할당한 뒤 대기질 모델에 활용되었다.
모델 수행에 필요한 전구 기상 입력 자료는 1°×1° FNL 자료를 사용하였으며, 대기오염물질의 배출량 자료는 인위적 및 자연적 배출량을 모두 고려하였다. 인위적 배출량의 경우, 국외는 MIX 2010(Li et al. 2015), 국내는 CAPSS(Clean Air Policy Support System)의 2010년 자료를 사용하였으며, 자연적 배출량은 MEGAN 2(Model of Emissions of Gases and Aerosols from Nature version 2; Guentheret al. 2006) 모델을 기반으로 산출하여 이용하였다. 인위적 배출량은 SMOKE(Sparse Matric Operator Kernel Emissions; Benjey et al.
성능/효과
5 농도 감소에 더 크게 기여한 것으로 분석된다. 2016년과 2017년 가을철 PM2.5 농도 차이에 대한 국내와 국외 영향을 분석하기 위하여 BFM 방법을 이용하여 기여도 분석을 수행한 결과, 사례1 기간의 PM2.5 농도 감소는 국외 영향 감소효과가 52.8%를 차지하며, 국내영향 감소 효과는 47.2%로 차지함에 따라 국내외 영향효과가 유사하게 나타났다. 반면, 사례2 기간은 국외영향의 감소효과는 66.
2016년에는 850 hPa 등압면의 지오포텐셜고도(geopotential height) 중 1500 gpm 고도선이 우리나라 중부지역에 위치함과 동시에 지오포텐셜고도장이 주로 동서방향으로 수평적 배치를 보임으로써 서풍계열의 바람이 형성되는 것으로 나타났다. 그리고 기온 분포를 알 수 있는 등온선도 동서방향으로 수평적 배치를 보였으며, 282 K 등온선이 북위 약 35도선에 위치하는 것으로 나타났다. 이에 반해 2017년에는 850 hPa 등압면의 지오포텐셜 고도 중 1500 gpm 고도선이 우리나라 남해안 지역에위치함과 동시에 지오포텐셜고도장이 북서-남동 방향으로 배치되어 주로 북서풍계열의 바람이 형성되었다.
사례1 기간에 대해 두 해간 종관 기상 패턴을 비교 분석한 결과(Figure 3, a, b), 2016년에는 이동성 고기압의영향권이 주로 우리나라에 주변에 위치함에 따라 서풍계열의 바람이 형성되었고, 북쪽지역의 한기가 우리나라로 남하하지 못하는 기상 패턴을 보인 반면, 2017년에는 이동성 고기압의 영향권이 중국 대륙 지역에 국한되어 나타남에 따라 북풍계열의 바람이 형성되어 북쪽지역의 한기가 우리나라로 남하한 것으로 분석된다. 그리고 이러한 종관 기상 패턴의 분석 결과는 지상에서 관측된 풍속의 증가와 기온 감소의 결과와 잘 일치하였다. 따라서 2016년에 비하여 2017년에는 중국 대륙으로부터의 대기오염물질의 장거리 수송이 어렵고 국내에서는 대기환기 효과가 증가하는 기상학적 조건이 형성된 것으로 분석된다
5 농도 차이(Figure 6c), GOCI 위성으로부터 산출된 AOD 차이(Figure 6d)를 나타낸다. 두 사례 기간 동안 공통적으로 중국 산둥성 주변을 중심으로 PM2.5 농도가 뚜렷하게 증가한 것으로 나타난 반면, 그 외 지역에서는 전반적으로 PM2.5 농도가 감소하는 모습을 보였다. 이는 Figure 3에서 보였던 것과 같이 2016년에 비하여 2017년의 사례1 기간에는 산둥성 주변에 고기압 중심이 위치하여 대기가 정체함에 따라 높은 PM2.
5 농도를 크게 변화시킨 것으로 모의하였다. 두 사례 기간 동안 모델을 통해 모의된 PM2.5 감소 경향은 전반적으로 도시대기 측정망에서 측정된 PM2.5의 감소 경향과 일치했지만, 감소폭은 다소 차이를 나타내었다. 이는 기상 및 대기질 모델 자체가 가지는 물리·화학적 연산 과정의 한계와 모델에서 이용되는 국내·외 배출량 인벤토리와 실제 배출량과의 차이 등에 따른 불확실성(Gilliand et al.
5 농도의 공간적 분포와 그 차이를 나타내었다. 두 해의 가을철에 대해 모의된 PM2.5 농도는 전반적으로 수도권과 충청권, 광주, 대구, 울산, 부산 등 주요 배출지역에서 그 외지역에 비해 높은 수준을 보였다. 그러나 전국평균 PM2.
8 μg/m3 감소하였다. 따라서 두 사례 모두 서부지역이 동부지역보다 더 큰 감소를 나타냈으며, 기상요인 분석 결 가을철 PM2.5 농도 변화는 2016년에 비하여 2017년에 기상조건이 중국 대륙으로부터의 대기오염물질의 장거리 수송이 어렵고 국내에서는 대기환기 효과를 증가시키는 패턴으로 변화한 것이 주요한 원인인것으로 분석된다.
4 μg/m3로 유사한 수준을 나타내었다. 따라서 두 사례가2016년과 2017년의 가을철 PM2.5 농도 차이를 발생 시킨 주도적인 기간인 것으로 분석되었다.
1μg/m3의 차이를 나타내었다. 따라서 두 사례기간 모두 서부지역이 동부지역보다 더 큰 PM2.5 농도의 감소가 나타난 것으로 분석되었다.
6%로서 국외 영향 감소효과가 주도적으로 나타났다. 따라서 사례2 기간에는 국외 영향이 국내 영향보다 우리나라 PM2.5 농도 감소에 더 크게 기여한 것으로 분석되었다. 본 연구는 다양한 지상관측 자료와 위성자료, 기상-대기질 모델을 종합적으로 활용하여, PM2.
2%) 감소한 것으로 나타났다. 따라서, 사례1 기간은 2.1절에 기술한 기상변화로 인해 국외로부터의 장거리 수송 영향이 감소함과 동시에 국내 대기환기 효과의 증가로 인해 국내에서 생성되는 PM2.5의 영향도 줄어든 것으로 분석된다. 사례2 기간의 2016년 대비 2017년 우리나라 평균 PM2.
따라서, 사례1 기간은 서부지역과 동부지역 모두 국외 장거리 수송 영향의 감소와 국내 영향 감소가 유사한 수준으로 영향을 미친 것으로 분석되었으며, 국외 유입의 영향을 직접적으로 받는 서부지역에서 동부지역보다 장거리 수송에 의한 PM2.5 영향이 약 1.7 μg/m3 더 줄어든 것으로 판단된다.
5 농도를 증가시킨 것으로 판단된다. 또한, GOCI 위성으로부터 산출된 AOD의 공간분포에서도 산둥성 지역을 중심으로 AOD가 증가하였으며, 그 외 지역에는 전반적으로 AOD가 감소하는 패턴을 보여 모델을 통해 모의된 PM2.5 농도의 공간분포와 전반적으로 잘 일치하였다.
모델 모의 결과에서 경상북도 내에서 도시대기 측정소가 위치한 곳의 PM2.5 농도를 추출하여 2016년과 2017년의 농도차이를 산출한 결과 PM2.5 농도는 감소(0.7μg/m3, 20.2 → 19.5 μg/m3)하는 경향을 보이며, 이는 도시대기 측정망의 평균 감소(2.1 μg/m3, 23.8 →21.7 μg/m3)에 비해 작지만 관측농도의 감소경향과 일치하였다.
모사 결과는 기상조건 변화로 인해 2016년에 비하여 2017년 사례1 기간에 PM2.5 농도가 23.1 μg/m3 감소한 것으로 나타났으며, 사례2 기간에는 PM2.5가 12.2 μg/m3 감소한 것으로 나타났다.
2%로 차지함에 따라 국내외 영향효과가 유사하게 나타났다. 반면, 사례2 기간은 국외영향의 감소효과는 66.4%를 차지하며, 국내영향의 감소효과는 33.6%로서 국외 영향 감소효과가 주도적으로 나타났다. 따라서 사례2 기간에는 국외 영향이 국내 영향보다 우리나라 PM2.
9 ℃) 하였다. 사례1 기간에 대해 두 해간 종관 기상 패턴을 비교 분석한 결과(Figure 3, a, b), 2016년에는 이동성 고기압의영향권이 주로 우리나라에 주변에 위치함에 따라 서풍계열의 바람이 형성되었고, 북쪽지역의 한기가 우리나라로 남하하지 못하는 기상 패턴을 보인 반면, 2017년에는 이동성 고기압의 영향권이 중국 대륙 지역에 국한되어 나타남에 따라 북풍계열의 바람이 형성되어 북쪽지역의 한기가 우리나라로 남하한 것으로 분석된다. 그리고 이러한 종관 기상 패턴의 분석 결과는 지상에서 관측된 풍속의 증가와 기온 감소의 결과와 잘 일치하였다.
사례1과 사례2 기간은 해당하는 월 총 PM2.5 농도 변화량 중 각각 56.8%, 33.6%를 차지하였으며, 두 사례 기간을 제외하면 2016년과 2017년 가을철 PM2.5 농도는 각각 22.5 μg/m3, 22.4 μg/m3로 유사한 수준을 나타내었다.
사례2 기간 동안 서부지역의 PM2.5 농도는 2016년에 비하여 2017년에 총 14.0 μg/m3 감소하였는데, 이 중8.0 μg/m3 감소는 국외 영향 그리고 6.0 μg/m3이 국내 영향에 의한 것으로 분석되었다.
사례2 기간에도 사례1 기간과 같이 우리나라에서 풍속이 증가하고 기온이 감소하는 경향을 보였으나, 이는 이동성 고기압의 영향보다는 시베리아 고기압의 영향 범위에 따라 달라진 것으로 분석되었다(Figure 3, c, d). 2016년에는 850 hPa 등압면의 지오포텐셜고도(geopotential height) 중 1500 gpm 고도선이 우리나라 중부지역에 위치함과 동시에 지오포텐셜고도장이 주로 동서방향으로 수평적 배치를 보임으로써 서풍계열의 바람이 형성되는 것으로 나타났다.
사례2 기간의 2016년 대비 2017년 우리나라 평균 PM2.5 총 감소량(12.2 μg/m3)은 장거리 수송의 영향이 8.1 μg/m3(약 66.4%) 감소한 것으로 나타났으며, 국내 영향은 4.1 μg/m3(약 33.6%)감소한 것으로 나타나, 사례2 기간에는 국외 영향이 국내 영향보다 우리나라 PM2.5 농도 감소에 더 크게 기여한 것으로 분석되었다.
우리나라를 대상으로 모의된 전국 일평균 PM2.5 농도와 관측 농도의 상관계수(R)는 2016년에 0.80, 2017년에 0.82를 나타내었으며, Mean Bias Error(MBE)는 2016년에 -0.7 μg/m3, 2017년에 0.1 μg/m3으로써 모의된 농도가 측정된 PM2.5 농도를 잘 재현한 것으로 평가되었다.
5 농도를 잘 재현한 것으로 평가되었다. 우리나라를 서부지역과 동부지역으로 구분하여 모델 모사능력을 검증한 결과에서도 서부지역과 동부지역의 상관계수는 각각 2016년에 0.80, 0.78, 2017년에 0.77, 0.86으로 유의하게 나타났다. 또한 MBE는 각각 2016년에 -0.
이러한 분석 결과는 시베리아 대륙성 고기압의 영향을 더 크게 받음으로써 나타나는 2016년 대비 2017년 지상풍속의 증가(0.8 m/s, 1.6 → 2.4 m/s)와 기온 감소(2.7 ℃, 9.8 → 7.1 ℃)와도 잘 일치하였다.
지역별 분석 결과, 서부지역은 사례1 기간에 PM2.5가 평균 23.2 μg/m3 감소, 사례2 기간에는 14.0 μg/m3 감소한 것으로 모의되었으며, 동부지역은 사례1 기간에 평균적으로 PM2.5가 22.0 μg/m3 감소, 사례2 기간에는 8.2 μg/m3 감소하는 것으로 모의되었다.
후속연구
5 농도 변화에 대한 원인을 종합적으로 이해하고자 하였다. 다만, 기상-대기질을 활용한 모의 결과는 물리·화학 과정에서 사용되는 다양한 가정과 모델링에 입력되는 기상·배출량의 불확실성을지니고 있어 지속적인 개선과 보완이 필요할 것으로 판단된다.
본 연구 결과는 현재 국내에서 사회적 이슈가 되고 있는 PM2.5 거동에 대한 이해 증진과 더불어 미세먼지 저감대책 수립의 기초자료로 활용될 수 있을 것으로 판단된다. 2장에서는 연구에 활용된 관측 자료와 모델링 시스템 등 연구방법을 소개하며, 3장에서는 모델링을 통한 기상효과 등 가을철 PM2.
질의응답
핵심어
질문
논문에서 추출한 답변
PM2.5란 무엇인가?
대기 중 미세먼지(PM: Particulate Matter)는 인체 건강, 기후변화(IPCC 2013, IPCC 2007), 시정(Seinfeld & Pandis 2006) 등 다양한 문제와 연관됨에 따라 지속적으로 주목 받고 있다. 특히, 직경이 2.5μm 보다 작은 미세먼지인 PM2.5는 호흡기를 통해 체내로 유입되어 호흡기와 심혈관계 질환을 유발시킴 동시에 조기사망률을 증가시키는 것으로 보고되고 있으며(WHO 2013; Pope et al.
PM2.5의 구성은 어떻게 되는가?
PM2.5는 산업시설, 수송, 발전소 등의 배출원에서 직접 배출되는 1차 생성입자와 배출원에서 배출된 가스 상 전구물질이 대기 중 화학 반응하여 만들어지는 2차 생성입자로 구성된다. 대기 중 PM2.
PM2.5이 PM10과 다른점은 무엇인가?
2001; Schwartz et al. 1996), PM10 보다 작은 입자크기로 인해 입자의 수가 많고 표면적이 넓어 체내로의 이동이 용이함에 따라 인체 유해성이 큰 것으로 알려져 있다(Gong et al. 2012).
참고문헌 (40)
Benjey W, Houyoux M, Susick J. 2001. Implementation of the SMOKE emissions data processor and SMOKE tool input data processor in Models-3. U.S. EPA.
Bernard SM, Samet JM, Grambsch A, Ebi KL, Romieu I. 2001. The potential impact of climate variability and change on air pollution health effects in the United States, Environmental Health Perspectives. 109(2): 199-209.
Byun DW, Ching S. 1999. Science Algorithms of the EPA Models-3 Community Multi-scale Air Quality(CMAQ) Modeling System. EPA Report. EPA/600/R-99/030, NERL, Research Triangle Park, NC.
Carter W. 1999. Documentation of the SAPRC-99 Chemical Mechanism for VOC Reactivity Assessment. Report to California Air Resources Board.
Chen F, Dudhia. 2001. Coupling an advanced land surface hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity. Mon. Wea. Rev. 129: 569-585.
Choi JK, Heo JB, Ban SJ, Yi SM, Zoh KD. 2013. Source apportionment of $PM_{2.5}$ at the coastal area in Korea. Science of the Total Environment. 447: 370-380.
Choi KC, Lim YJ, Lee YH, Lee JB, Woo JH, Kim ST, Nam KP, Myong JS, Kim TH, Jang LS. 2018. Performance evaluation of air quality forecasting system for $PM_{2.5}$ concentrations applied by predicted emission inventories over China and South Korea (accepted in 2018). [Korean Literature]
Di Q, Wang Y, Zanobetti A, Wang Y, Koutrakis P, Choirat C, Dominici F, Schwartz J. 2017. Air Pollution and Mortality in the Medicare Population. The New England Journal of Medicine. 376(26): 2513-2522.
EMEP/MSC-W, 1999: Computing Source-Receptor Matrices with the EMEP Eulerian Acid Deposition Model.
Fajersztajn L, Veras M, Barrozo LV, Saldiva P. 2013. Air Pollution: a potentially modifiable risk factor for lung cancer. Nat. Rev. Cancer. 13: 674-678.
Gong SY, Bae HJ, Yoon DO, Hong SP, Park HY. 2012. A study on the health impact and management policy of $PM_{2.5}$ in Korea. Korea Environment Institute.
Gilliand AB., Hogrefe C, Pinder RW, Godowitch JM, Foley KL, Rao ST. 2008. Dynamic evaluation of regional air quality models: Assessing changes in O3 stemming from changes in emissions and meteorology. Atmospheric Environment. 42(20): 5110-5123.
Guenther A, Hewitt CN, Erickson D, Fall R, Geron C, Graedel T, Harley P, Klinger L, Lerdau M, Mckay WA, Pierce T, Scholes B, Steinbrecher R, Tallamraju R, Taylor J, Zimmerman P. 1995. A global model of natural volatile organic compound emissions. J. Geophys. Res.. 100: 8873-8892.
Han JS, Kim YM, Ahn JY, Kong BJ, Choi JS, Lee SU, Lee SJ. 2006. Spatial distribution and variation of long-range transboundary air pollutants flux during 1997-2004. Atmosphere. 22(1): 99-106.
Hong SY, Dudhia J, Chen SH. 2004. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation. Monthly Weather Review. 132(1): 103-120.
Hong SY, Noh Y, Dudhia J. 2006. A new vertical diffusion package with and explicit treatment of entrainment processes. Monthly weather review. 134(9): 2318-2341.
IARC. 2013. Outdoor air pollution a leading environmental cause of cancer deaths. International Agency for Research on Cancer. Lyon. France.
IPCC. 2007. Working Group 1 Contribution to the IPCC's 4th Assessment Report.
IPCC. 2013. Working Group 1 Contribution to the IPCC's 5th Assessment Report.
Jeon W, Choi Y, Percell P, Souri AH, Song CK, Kim ST, Kim JH. 2016. Computaionally efficient air quality forecasting tool: implementation of STOPS v1.5 model into CMAQ v5.0.2 for a prediction of Asian dust, Geosci. Model Dev. 9: 3671-3684.
Jung J, Kim YJ, Lee KY, -Cayetano MG, Batmunkh T, Koo JH, Kim J. 2010. Spectral optical properties of long-range transport Asian dust and pollution aerosols over Northeast Asia in 2007 and 2008.
Kim BU, Kim OG, Kim HC, Kim ST. 2016, Influence of fossil-fuel power plant emissions on the surface fine particulate matter in the Seoul Capital Area, South Korea. Journal of the Air and Waste Management Association. 66(9): 863-873.
Kim HC, Kim EH, Bae CH, Cho JH, Kim BH, Kim ST. 2017. Regional contributions to particulate matter concentration in the Seoul metropolitan area, Seouth Korea: seasonal variation and sensitivity to meteorology and emission inventor., Atmospheric Chemistry and Physics. 17: 10315-10332.
Kim CH, Park IS, Lee SJ, Kim JS, Hong YD, Han JS, Jin HA. 2005. Evaluation of the effect of traffic control program on the ambient air quality in Seoul metropolitan area using the lower level stability index of atmosphere. J. Korean Soc. Atmos. Environ.. 21(2): 243-28.
LEE SM, Ho CH, Choi YS. 2011, High- $PM_{10}$ concentration episodes in Seoul, Korea: Background sources and related meteorological conditions. Atmospheric Environment. 45(39): 7240-7247.
Li M, Zhang Q, Kurokawa J, Woo JH, He KB, Lu Z, Ohara T, Song Y, Streets DG, Carmichael GR, Cheng YF, Hong CP, Huo H, Jiang XJ, Kang SC, Liu F, Su H, Zheng B. 2015. MIX: a mosaic Asian anthropogenic emission inventory for the MICS-Asia and the HTAP projects. Atmos. Chem. Phys. Discuss. 15(23): 34-813.
Mlawer EJ, Taubman SJ, Brown PD, Iacono MJ, Clough SA. 1997. Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave. Journal of Geophysical Research: Atmospheres. 102(D14): 16663-16682.
NCEP. 2000. NCEP FNL Operational Model Global Tropospheric Analysis, continuing from July, 1999. Research Data Archive at the National Center for Atmospheric Research. Computational and Information System Laboratory, https://doi.org/10.5065/ D6M043C6 (accessed on Jan. 03, 2018)
Oh HR, Ho CH, Kim JW, Chen D, Lee SM, Choi, YS, Chang LS, Song CK. 2015. Long-range transport of air pollutants originating in China: A possible major couse of multi-day high TEX>$PM_{10}$ episodes during cold season in Seoul, Korea. Atmospheric Environment. 109: 23-30.
Pope CA, Dockery DW. 2006. Health Effects of Fine Particulate Air Pollution: Lines that Connect, Journal of the Air & Waste Management Association. 56(6): 709-742.
Pope CAI, Ezzati M, Dockery DW. 2009. Fine- particulate air pollution and life expectancy in the United States. New England Journal of Medicine. 360: 376-386.
Seinfeld JH, Pandis SN. 2006. Atmospheric chemistry and physics. Hoboken.
Schwartz J, Dockery DW, Neas LM. 1996. Is daily mortality associated specifically with fine particles?. Journal of the Air & Waste Management Association. 46: 927-939.
Skamarock WC, Klemp JB, Dudhia J, Gill DO, Barker DM, Duda MG, Huang X, Wang W, Powers JG. 2008. A description of the advanced research WRF version 3. NCAR Tech. Note NCAR/TN-475+STR. National Center for Atmospheric Research, Boulder, CO, 125.
Tao WK, Simpson J, McCumber M. 1989. An ice-water saturation adjustment, Monthly Weather Review. 117(1): 231-235.
Tewari M, Chen F, Wang W, Dudhia J, LeMone MA, Mitchell K, Ek M, Gayno G, Wegiel J, Cuenca RH. 2004. Implementation and verification of the unified NOAH land surface model in the WRF model. 20th conference on weather analysis and forecasting/16th conference on numerical weather prediction. p. 11-15.
WHO. 2013. Health Effects of Particulate Matter- Policy implications for countries in eastern Europe. Caucasus and central Asia. p. 6-7.
Yasunari T, Taniguchi M, Niles D, Chen D. 2013. Asia: proving ground for global sustainability. Curr. Opin. Environ. Sustain. 5: 288-292.
Zheng J, Zhang L, Che W, Zheng Z, Yin S. 2009. A highly resolved temporal and spatial air pollutant emission inventory for the Pearl River Delta region, China and its uncertainty assessment. Atmospheric Environment. 43(32): 5112-5122.
Zhang W, Capps SL, Hu Y, Nenes A, Napelenok SL, Russell AG. 2012. Development of the high-order decoupled direct method in three dimensions for particulate matter: enabling advanced sensitivity analysis in air quality models. Geosci. Geoscientific Model Development. 5(2): 355-368.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.